BAB II
LANDASAN TEORI
2.1 Sistem Pakar
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan (knowledge), fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut (Martin dan Oxman, 1988).
Knowledge dalam sistem pakar mungkin saja seorang ahli, atau knowledge yang umumnya terdapat dalam buku, jurnal dan orang yang mempunyai pengetahuan tentang sistem pakar. Seorang ahli adalah seorang yang mempunyai pengetahuan tertentu dan mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalahan (domain), menyusun kembali pengetahuan jika dipandang perlu, memilah aturan jika dibutuhkan dan menentukan relevan atau tidaknya keahlian mereka. (Muhammad Arhami, 2005).
Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran yang mendekati kemampuan manusia disalah satu bidang. Sistem pakar mencoba mencari solusi yang memuaskan sebagaimana yang dilakukan seorang pakar. Selain itu sistem pakar juga dapat memberikan penjelasan terhadap langkah yang diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukannya.
Ada beberapa alasan mendasar mengapa sistem pakar dikembangkan untuk menggantikan seorang pakar, diantaranya :
1. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi 2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan
3. Seorang pakar pada suatu waktu pasti akan pensiun atau tidak berada ditempat.
4. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile environment)
Tujuan dari sebuah sistem pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam komputer dan kemudian kepada orang lain (nonexpert). Aktivitas yang dilakukan untuk memindahkan kepakaran adalah :
1. Knowledge Acquisition (dari pakar atau sumber lainnya) 2. Knowledge Representation (ke dalam komputer)
3. Knowledge Inferencing 4. Knowledge Transfering
2.1.1 Permasalahan Yang Disentuh Oleh Sistem Pakar
Sistem pakar saat ini telah dibuat untuk memecahkan berbagai macam permasalahan dalam berbagai bidang, seperti matematika, teknik, kedokteran, kimia, farmasi, sains komputer, bisnis, hukum, pendidikan hingga pertahanan. Secara umum ada beberapa kategori area permasalahan sistem pakar, yaitu :
1. Interpretasi, yaitu pengambilan keputusan atau deskripsi tingkat tinggi dari sekumpulan data mentah, termasuk diantaranya juga pengawasan, pengenalan ucapan, analisis citra, interpretasi sinyal dan beberapa analisis kecerdasan.
2. Proyeksi, yaitu memprediksi akibat-akibat yang dimungkinkan dari situasi-situasi tertentu, diantaranya peramalan, prediksi demografis, peramalan, ekonomi, prediksi lalulintas, estimasi hasil, militer, pemasaran atau peramalan keuangan.
3. Diagnosis, yaitu menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada gejala-gejala yang teramati diantaranya medis, elektronis, mekanis dan diagnosis perangkat lunak.
4. Desain, yaitu menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memenuhi kendala-kendala tertentu, diantaranya layout sirkuit dan perancangan bangunan.
5. Perencanaan, yaitu merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu, diantaranya perencanaan keuangan, komunikasi, militer, pengembangan produk, routing dan manajemen proyek.
6. Monitoring, yaitu membandingkan tingkah laku suatu sistem yang teramati dengan tingkah laku yang diharapkan darinya, diantaranya Komputer Aided Monitoring System.
7. Debugging dan repair, yaitu menentukan dan mengimplementasikan cara-cara untuk mengatasi malfungsi diantaranya memberikan resep obat terhadap suatu kegagalan.
8. Instruksi, yaitu mendeteksi dan mengoreksi defesiensi dalam pemahaman domain subjek diantaranya melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja.
9. Pengendalian, yaitu mengatur tingkah laku suatu environment yang kompleks seperti kontrol terhadap interpretasi-interpretasi, prediksi, perbaikan dan monitoring kelakuan sistem.
10.Seleksi, mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan.
2.1.2 Keuntungan dan Kelemahan Sistem Pakar
Sri Kusumadewi (2003) menyatakan secara garis besar banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain:
1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli 2. Bisa melakukan proses secara berulang
3. Menyimpan pengetahuan dan keahlian para pakar 4. Meningkatkan output dan produktivitas
5. Meningkatkan kualitas
6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka)
7. Mampu beroperasi dalam lingkungan yang berbahaya. 8. Memiliki kemampuan untuk mengakses pengetahuan. 9. Memiliki reliabilitas
10.Meningkatkan kapabilitas sistem komputer
11.Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian
12.Sebagai media pelengkap dalam pelatihan
13.Meningkatkan kapabilitas dalam penyelesaian masalah. 14.Menghemat waktu dalam pengambilan keputusan.
Disamping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain (Muhammad Arhami, 2005) :
1. Masalah dalam mendapatkan pengetahuan dimana pengetahuan tidak selalu bisa didapatkan dengan mudah karena kadangkala pakar dari masalah yang kita buat tidak ada dan kalaupun ada kadang-kadang pendekatan yang dimiliki pakar berbeda-beda
2. Untuk membuat suatu sistem pakar yang benar-benar berkualitas tinggi sangatlah sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan pemeliharaannya
Kelemahan-kelemahan atau kekurangan dari sistem pakar tersebut bukanlah sama sekali tidak bisa diatasi, tetapi dengan terus melakukan perbaikan dan pengolahan berdasarkan pengalaman yang telah ada maka hal itu diyakini akan dapat diatasi, walaupun dalam waktu yang panjang dan terus-menerus.
2.1.3 Struktur Sistem Pakar
LINGKUNGAN KONSULTASI LINGKUNGAN PENGEMBANGAN
Fakta tentang kejadian tertentu
Akuisisi Pengetahuan
Gambar 2.1 Arsitektur Sistem Pakar Sumber : (Turban : 1995)
Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment)
Pemakai Antar Muka Aksi yang direkomendasikan Fasilitas Penjelasan Mesin Inferensi Basis Pengetahuan: fakta dan aturan
Knowledge Engineer Pakar Workplace Perbaikan pengetahuan
(Turban, 1995). Lingkungan pengembangan sistem pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar.
2.1.3.1 Antarmuka Pengguna
User interface adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem. Antarmuka pengguna akan mengajukan pertanyaan atau menyajikan menu pilihan untuk memasukkan informasi dalam basis data. Selama proses pemecahan masalah, komunikasi dikendalikan oleh user interface. Bila masalahnya sudah ditemukan, antarmuka pengguna menyediakan pula sarana komunikasi jawaban atau solusi.
2.1.3.2 Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui.
Artifial Intelligence memiliki berbagai metode dalam merepresentasikan pengetahuan. Perencana dapat memilih predikat kalkulus, list, frame, semantic network dan kaidah produksi atau lainnya. Hampir semua sistem pakar komersial dan eksperimental menggunakan kaidah populer IF-THEN. Kaidah produksi sangat popular karena formatnya sangat fleksibel. Hampir semua macam pengetahuan bisa ditulis dalam bentuk yang sesuai dengan format IF-THEN. Dengan kaidah produksi, mudah untuk memodifikasi atau menambah basis pengetahuan.
Kunci keberhasilan dan nilai tambah sistem pakar adalah kemampuan mengintegrasikan basis pengetahuan yang dimilikinya. Jika ternyata basis pengetahuan salah dan kurang lengkap, maka sistem tidak akan bisa secara tepat memecahkan masalah dan mungkin mengarah pada solusi yang salah. Oleh karena itu, sangat penting untuk tetap mempertahankan basis pengetahuan agar selalu dalam keadaan up to date. Para pakar harus secara berkesinambungan memperoleh pandangan baru, pengalaman baru dan terus memperbaiki atau meningkatkan metode pemecahan masalahnya. Semua harus diintegrasikan kedalam sistem pakar secara teratur. Format kaidah produksi memudahkan semua karena pengetahuan dipisahkan kedalam penggalan-penggalan kaidah yang mudah dikelola. Sebaliknya, skema representasi pengetahuan lainnya tidak mempunyai keunggulan semacam ini.
2.1.3.3 Akuisisi Pengetahuan
Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan pengalaman pemakai.
2.1.3.4 Mesin Inferensi
Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace untuk memformulasikan kesimpulan (Turban, 1995).
Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan ke depan (forward chaining). Pelacakan ke belakang adalah pendekatan yang dimotori
tujuan (goal-driven). Dalam pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Selanjutnya, proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan. Gambar 2.2 menunjukkan prose backward chaining.
Observasi A aturan R1 fakta C
Aturan R3
Observasi B aturan R2 fakta D Tujuan 1
(Kesimpulan)
Aturan R2 Gambar 2.2 Proses backward chaining
Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven). Dalam pendekatan ini pelacakan dimulai dari informasi masukan dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang sesuai dengan bagian IF dari aturan IF-THEN. Gambar 2.3 menunjukkan proses forward chaining.
Observasi A aturan R1 fakta C Kesimpulan 1
Aturan R3
Observasi B aturan R2 fakta D Kesimpulan 2
Aturan R2 fakta E
2.1.3.5 Workplace
Workplace merupakan area dari sekumpulan memori kerja (working memory). Workplace digunakan untuk merekam hasil-hasil antara dan kesimpulan yang dicapai. Ada tiga keputusan yang dapat direkam, yaitu :
1. Rencana : bagaimana menghadapi masalah
2. Agenda : aksi-aksi yang potensial yang sedang menunggu untuk dieksekusi 3. Solusi : calon aksi yang akan dibangkitkan
2.1.3.6 Perbaikan Pengetahuan
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya.
2.1.4 Orang-Orang yang Terlibat dalam Sistem Pakar
Untuk memahami perancangan sistem pakar, perlu memahami mengenai siapa saja yang berinteraksi dengan sistem. Mereka adalah :
1. Pakar (domain expert) : seorang ahli yang dapat menyelesaikan masalah yang sedang diusahakan untuk dipecahkan oleh sistem
2. Pembangun pengetahuan (knowledge engineer) : seseorang yang menerjemahkan pengetahuan seorang pakar dalam bentuk deklaratif sehingga dapat digunakan oleh sistem pakar
3. Pengguna (user) : seseorang yang berkonsultasi dengan sistem untuk mendapatkan saran yang disediakan oleh pakar
4. Pembangun sistem (system engineer) : seseorang yang membuat antarmuka pengguna, merancang bentuk basis pengetahuan secara deklaratif dan mengimplementasikan mesin inferensi.
2.2 Bekerja Dengan Ketidakpastian
Yang sudah pasti, sistem pakar punya kemampuan mengolah informasi yang tidak lengkap atau yang tidak pasti. Sistem pakar pada saat mengumpulkan input awalnya ia bertanya kepada user yang mungkin saja user sendiri tidak tahu jawabannya.
Dalam kasus seperti ini, dengan mudah user bisa menjawab tidak tahu. Sebenarnya sistem pakar dirancang untuk mengerjakan hal seperti itu. Karena user sendiri mungkin belum punya fakta tertentu, maka proses pelacakannya akan mengambil cara yang berbeda. Walaupun demikian pada akhirnya sistem pakar akan sampai pada kesimpulan.
2.2.2 Pengertian Faktor Kepastian (Certainty Factor)
Banyak kasus dimana informasi diketahui tetapi kita tidak mempercayai kebenaran sepenuhnya. Ramalan cuaca menggunakan angka keyakinan untuk meramal apakah akan hujan atau tidak sehingga angka keyakinan bisa digunakan dalam kaidah produksi. Peramal cuaca dapat mengatakan 70% kemungkinan akan hujan, tetapi sebenarnya mereka mengatakan ketidaktahuan dengan pasti apakah akan hujan atau tidak. Kemudian, mereka mempunyai banyak informasi untuk bisa mengatakan 70% cuaca sekitarnya menunjukkan akan hujan. Faktor kepastian sebenarnya hanya merupakan ukuran keyakinan seseorang tentang fakta tertentu atau kaidah tertentu benar atau salah (Suparman dan Marlan, 2007).
Faktor kepastian (certainty factor) diperkenalkan oleh Shortlife Buchanan dalam pembuatan MYCIN. Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty factor memperkenalkan konsep belief/keyakinan dan disbelief/ketidakyakinan. Konsep ini kemudian diformulasikan dalam rumusan dasar sebagai berikut (Giarattano dan Riley, 1994) :
Keterangan:
CF (H, E) : Certainty Factor (Faktor Kepastian) dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai 1.
Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.
MB (H, E) : ukuran kenaikan kepercayaan (Measure of Belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
MD (H, E) : ukuran kenaikan ketidakpercayaan (Measure of Disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
CF positif bermakna fakta mendukung hipotesis karena MB > MD. CF=1 mengandung arti bahwa fakta secara defenisi membuktikan suatu hipotesis. CF=0 berarti salah satu dari dua kemungkinan yaitu MB=MD=0 yang berarti tidak ada fakta. Kemungkinan kedua adalah bahwa MD=MBdan keduanya tidak sama dengan nol yang berarti bahwa kepercayaan dihapus atau ditiadakan oleh ketidakpercayaan. CF negative mempunyai arti bahwa fakta menandakan negasi dari hipotesis karena MB<MD. Dengan kata lain, lebih beralasan untuk menyatakan ketidakpercayaan terhadap hipotesis daripada mempercayainya. Sebagai contoh, CF=-70% berarti bahwa ketidakpercayaan adalah 70% lebih besar daripada kepercayaan. Dan CF=70% berarti bahwa kepercayaan adalah 70% lebih besar daripada ketidakpercayaan. (Muhammad Arhami, 2005).
2.2.1.1 Perhitungan dengan Faktor Kepastian (Certainty Factor)
Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan ditunjukkan oleh tabel 2.1 dibawah ini (Giarrattano dan Riley, 1994).
Evidence E Antecedent Ketidakpastian E1 DAN E2 Min[CF(H,E1), CF(H,E2)] E1 OR E2 Max[CF(H,E1), CF(H,E2)]
TIDAK E -CF(H,E)
Berikut ini adalah contoh ekspresi logika yang mengombinasikan evidence : E = (E1 DAN E2 DAN E3) ATAU (E4 DAN BUKAN E5)
Gejala E akan dihitung sebagai : E = max[min((E1, E2, E3), min(E4, -E5) Untuk nilai E1 = 0,9 E2 = 0,8 E3 = 0,3 E4 = -0,5 E5 = -0,4 Hasilnya adalah :
E = max[min((E1, E2, E3), min(E4, -E5) = max(0,3, -0,5)
= 0,3
Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H ditunjukkan oleh rumus :
CF (H,e) = CF(E,e)*CF(H,E) Dimana :
CF (E, e) : Certainty factor evidence E yang dipengaruhi oleh evidence e
CF (H,E) : Certainty factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) =1
CF (H,e) : Certainty factor hipotesis yang dipengaruhi oleh evidence e
Jika semua evidence pada antecedent diketahui dengan pasti, maka rumusnya ditunjukkan oleh :
CF(H,e) = CF(H, E)
Berikut ini adalah contoh kasus yang melibatkan kombinasi certainty factor: Jika batuk DAN demam
DAN sakit kepala DAN bersin-bersin
MAKA influenza, CF : 0,7
dengan menganggap E1 :”batuk”, E2:”demam”, E3:”sakit kepala”, E4:”bersin-bersin” dan H:”Influensa”, nilai certainty factor pada saat evidence pasti adalah :
CF(H,E) : CF (H, E1 ∩ E2 ∩ E3 ∩ E4) : 0,7
Dalam kasus ini, kondisi pasien tidak dapat ditentukan dengan pasti. Certainty factor evidence E yang diperngaruhi oleh partial evidence e ditunjukkan dengan nilai sebagai berikut :
CF(E1, e) : 0,5 (pasien mengalami batuk 50%) CF(E2, e) : 0,8 (pasien mengalami demam 80%) CF(E3, e) : 0,3 (pasien mengalami sakit kepala 30%) CF(E4, e) : 0,7 (pasien mengalami bersin-bersin 70%)
Sehingga
CF(E,e) = CF (E1 ∩ E2 ∩ E3 ∩ E4, e)
= min[CF(E1, e), CF(E2, e), CF(E3, e), CF(E4, e)] = min[0,5, 0,8, 0,3, 0,7]
= 0,3
Nilai certainty factor hipotesis adalah : CF(H,e) = CF(E,e)*CF(H,E)
= 0,3 * 0.7
= 0,21
2.2.1.2 Menentukan CF Gabungan
CF Gabungan diperlukan jika suatu konklusi diperoleh dari beberapa aturan sekaligus. CF dari satu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF akhir bagi calon konklusi tersebut. Adapun rumus untuk melakukan perhitungan CF Gabungan ditunjukkan pada rumus :
CF (x) + CF (y) - (CF(x)*CF(y)), CF (x), CF(y) > 0
2.3 Analisis Keuangan
Pada dasarnya suatu perusahaan didirikan untuk mendapatkan keuntungan, disamping kelangsungan hidup dan tanggung jawab sosial. Dalam rangka usaha mencapai tujuan ini, suatu perusahaan perlu mengelola sumber daya yang dimilikinya dengan baik, yaitu dengan mengadakan perencanaan, pengorganisasian, pengarahan dan pengendalian baik yang bersifat jangka panjang maupun jangka pendek. Untuk menilai sejauh mana efektivitas operasi perusahaan dalam mencapai tujuannya diperlukan metode pengukuran tertentu. Metode pengukuran ini perlu disesuaikan dengan kebutuhan informasi untuk pengambilan keputusan, yang masing-masing bidang dan fungsi berbeda.
2.3.1 Analisis Likuiditas
Likuiditas merupakan suatu indikator mengenai kemampuan perusahaan untuk membayar semua kewajiban finansial jangka pendek pada saat jatuh tempo dengan menggunakan aktiva lancar yang tersedia. Likuiditas tidak hanya berkenaan dengan keadaaan keseluruhan keuangan perusahaan, tetapi juga berkaitan dengan kemampuannya mengubah aktiva lancar tertentu menjadi uang kas (Lukman Syamsudin, 2007).
Menurut Djarwanto (2004), suatu perusahaan dikatakan mempunyai posisi keuangan jangka pendek yang kuat apabila :
1. Mampu memenuhi tagihan dari kreditur jangka pendek tepat pada waktunya
2. Mampu memelihara modal kerja yang cukup untuk membelanjai operasi perusahaan yang normal
3. Mampu membayar bunga utang jangka pendek 4. Mampu membayar dividen
5. Mampu memelihara credit-rating yang menguntungkan
Yang termasuk dalam rasio likuiditas adalah current ratio, acid test ratio, receivables turnover, inventory turnover, working capital turnover dan current assets turnover.
2.3.1.1 Current Ratio (Rasio Lancar)
Misalnya diperoleh hasil bagi 3, dikatakan current rationya 3:1 atau 300%. Hal ini berarti setiap 1,00 hutang jangka pendeknya dijamin dengan 3,00 aktiva lancar. Current ratio yang tinggi mungkin menunjukkan adanya uang kas yang berlebihan dibanding dengan tingkat kebutuhan atau adanya unsur aktiva lancar yang rendah likuiditasnya (seperti persediaan) yang berlebih-lebihan. Current ratio yang tinggi memang baik dari sudut pandang kreditur tetapi dari sudut pandang pemegang saham kurang menguntungkan karena aktiva lancar tidak didayagunakan dengan efektif. Sebaliknya current ratio yang rendah relatif lebih riskan tetapi menunjukkan bahwa manajemen telah mengoperasikan aktiva lancar secara efektif. Saldo kas dibuat minimum sesuai kebutuhan dan tingkat perputaran piutang dan persediaan diusahakan maksimum (Amin Widjaja Tunggal, 2000).
2.3.1.2 Quick Ratio (Rasio Cepat)
Bila digunakan quick ratio, angka 100% dipandang sudah menunjukkan baiknya kondisi keuangan jangka pendek.
2.3.1.3 Receivables TurnOver Ratio
Piutang timbul karena adanya penjualan secara kredit. Penjualan barang dagangan disamping dilaksanakan dengan tunai juga dilakukan dengan pembayaran kemudian untuk mempertinggi volume penjualan.
2.3.1.4 Working Capital TurnOver Ratio (Rasio Modal Kerja)
Modal kerja bersih (Net working capital) adalah kelebihan aktiva lancar terhadap hutang jangka pendek. Modal kerja digunakan utuk membelanjai operasi perusahaan dari hari ke hari seperti misalnya untuk memberi uang muka pada pembelian bahan baku, membayar upah buruh dan gaji pegawai dan biaya-biaya lainnya. Antara penjualan dengan modal kerja terdapat hubungan yang erat. Bila volume penjualan naik, investasi dalam persediaan dan piutang juga meningkat, ini berarti meningkatkan modal kerja. Jumlah net working capital yang semakin besar menunjukkan tingkat likuiditas yang semakin tinggi pula.
Perputaran modal kerja ini menunjukkan jumlah rupiah penjualan netto yang diperoleh bagi setiap rupiah modal kerja.
2.3.1.5 Current Assets TurnOver Ratio
Tingkat perputaran aktiva lancar (current assets turnover) yakni berapa kali rata-rata aktiva lancar digunakan untuk membayar ongkos dan biaya (cost dan expense). Dihitung dengan membagi total cost dan expense (meliputi harga pokok penjualan, biaya usaha, biaya lain-lain dan pajak perseroan) dengan rata-rata total aktiva lancar. Rata-rata aktiva lancar adalah aktiva lancar awal periode ditambah aktiva lancar akhir periode dibagi dua.
2.3.2 Analisis Profitabilitas
Analisis ini bertujuan untuk mengukur besar kecilnya tingkat keuntungan yang diperoleh dalam hubungannya dengan volume penjualan, total aktiva dan modal
sendiri. Pertanyaan-pertanyaan penting yang perlu dijawab adalah : Apakah aktiva telah dioperasikan secara menguntungkan?, Bagaimana imbalan hasil atas investasi yang telah dilakukan terhadap dana yang berasal dari pinjaman maupun modal sendiri? Bagaimana prospek pembayaran bunga, pembayaran dividen, pengembalian hutang jangka panjang dimasa yang akan datang? (Jumingan, 2006)
Rasio yang mengukur profitabilitas perusahaan adalah :
1. Operating Income with Operating Assets Ratio 2. Net Income with Owners’ Equity Ratio
2.3.2.1 Operating Income With Operating Assets Ratio
Ratio operating income dengan operating assets menunjukkan laba yang diperoleh dari investasi modal saham aktiva dengan tanpa mengindahkan dari sumber mana modal tersebut berasal (keseluruhan modal).
2.3.2.1 Net Income With Owners’ Equity Ratio
Net income merupakan tujuan dari perusahaan dan rasio ini menunjukkan bagaimana tujuan utama itu telah dicapai. Net income adalah seluruh penghasilan dikurangi dengan harga pokok penjualan, biaya usaha, biaya lain-lain.
2.3.3 Analisis Solvabilitas
Kondisi keuangan yang menguntungkan dalam jangka pendek belum tentu diikuti kondisi keuangan yang menguntungkan pula dalam jangka panjang. Dalam mempelajari posisi keuangan jangka panjang ada beberapa pertanyaan yang perlu dijawab yaitu : Penanaman modal apa saja yang telah dilakukan dalam rangka melaksanakan suatu usaha? Darimana modal tersebut diperoleh? Dari pinjaman atau dari modal sendiri? Apakah keseimbangan antara dana yang berasal dari pinjaman
dan dana yang berasal dari modal sendiri telah dicapai dengan baik dan menguntungkan? Apakah keseimbangan investasi dalam masing-masing aktiva telah dicapai dengan baik? Apakah investasi dalam aktiva usaha (operating assets) sudah sesuai dengan penjualan sekarang, prospek volume penjualan dan laba bersih?Apakah kemampuan keuangan jangka panjang mengalami perbaikan? Apakah kemampuan keuangan jangka panjang ini memberikan kekuatan pada perusahaan untuk tumbuh dan berkembang?
Rasio yang termasuk dalam analisis keuangan jangka panjang : 1. Ratio of Owners’ Equity to Fixed Assets
2. Ratio of Fixed Assets to Long Term Liabilities 3. Ratio of Owners’ Equity to Total Assets
2.3.3.1 Ratio of Owners’ Equity to Fixed Assets
Bila modal sendiri melebihi nilai buku aktiva tetap dan aktiva tidak lancar lainnya berarti sebagian modal kerja netto berasal dari modal sendiri. Sebaliknya, bila modal sendiri lebih kecil daripada aktiva tetap berarti sebagian dari aktiva tetap dibelanjai dari dana pinjaman. Investasi yang terlalu berat ke aktiva tetap adalah tidak menguntungkan karena adanya beban depresiasi tahunan. Bila kelebihan aktiva tetap tidak dimanfaatkan untuk memperoleh keuntungan ini berarti potensi modal atau dana telah salah dipergunakan. Kelebihan investasi dalam aktiva tetap telah menyedot modal kerja jangka pendek dan ini berarti mengurangi modal kerja.
Rasio aktiva tetap dengan hutang jangka panjang bertujuan untuk mengukur tingkat keamanan bagi kreditur jangka panjang dalam hal bila hutang jangka panjang, seperti hutang hipotik dan hutang obligasi, dijamin dengan aktiva tetap. Rasio ini juga menunjukkan apakah perusahaan masih mampu memperoleh pinjaman baru dengan jaminan aktiva tetapnya.
2.3.4 Analisis Trend
Trend merupakan gerakan lamban berjangka panjang dan cenderung menuju ke satu arah, menaik atau menurun. Metode Trend digunakan untuk mengetahui kecenderungan keadaan keuangan perusahaan baik kecenderungan naik, turun maupun tetap. Dalam analisis trend tidak ada ketentuan jumlah data historis (n) yang dianalisis, tetapi semakin banyak jumlah data (n) semakin baik hasil perhitungan analisis.
Keterangan :
Y= rasio keuangan tahun ke t X= tahun ke t
a= konstanta
b= koefisien persamaan (persentase kenaikan atau penurunan) n=banyaknya observasi (tahun)
